• icon industriĆ«le automatisatie
  • icon industriĆ«le automatisatie

News & Background

McKinsey Industry 4.0, May 2015 - how to navigate a changing industrial landscap

McKinsey & Company released a report today analyzing the fourth industrial revolution (Industry 4.0), which pertains to the implementation of the Internet of Things (IoT) in traditional industries.

To compute the effects of the fourth industrial revolution, the report, “Industry 4.0 - How to Navigate a Changing Industrial Landscape,” used exclusive market research. More specifically, the report analyzed the attitude, impact, and level of preparation for the U.S., German, and Japanese markets. The survey featured 300 respondents, all of which are employed by companies with 50 or more employees.

"We invested dedicated experts and full time resources over more than four months into the research in this area," said Dominik Wee, a leader in McKinsey's Semiconductors Practice in EMEA. "This is one of the top priority investment areas for McKinsey and its Advanced Industries practice, since it will fundamentally change the business model of our industrial customers. Being thought leaders on industry-shaping trends is a top priority for us and part of our value proposition."

Read more: Accelerate Your Path to the Internet of Things

The fourth industrial revolution will have a higher impact and require less implementation of new equipment, according to McKinsey & Company’s research. In fact, just 40 to 50 percent of the current equipment is expected to be replaced. Those figures signify an obvious advantage over the previous industrial revolution (industrial automation), which had an 80 to 90 percent rate of replacement.

"A significant amount of the value will come from upgrading existing systems to ensure interconnectivity for data collection, analysis and executing commands, e.g., by retrofitting sensors or even without changing the hardware, just by adding additional intelligence and interoperability in the software, assuming the electronics hardware capabilities (processing power and speed, storage/memory functionality) and actuation devices are sufficient or can be upgraded," said Hans-Werner Kaas, senior partner and head of the McKinsey Automotive & Assembly practice.

According to the report, “Industry 4.0 is enabled by disruptive digital technologies that are expected to change the manufacturing sector by 2025 through significant innovation.” The report identifies those technologies as data, computational power, and connectivity; analytics and intelligence; augmented reality; and 3D printing.

Among Industry 4.0’s biggest winners are global companies. The report reasons that expected success of global companies will result from labor effectiveness, which is “driven by digitization of knowledge work, quality by advanced analytics, and development time by touch operation/interfaces.” The report also suggests that digital enablement of processes gives way to high quality information gathering, the prompt processing of information and data, and the opening of commands for enhancements.

"Next to global companies, it will also benefit startup companies in the industrial space or small or medium-sized companies with the respective capabilities, that are driving the underlying technologies, advanced analytics and software solutions of Industry 4.0," Wee said.

The report predicts that there will be a 30-55 percent drop in knowledge work (healthcare, IT, legal, finance) between 2010 and 2020.

Cyber-security will become even more vital in Industry 4.0, because it is so needed in digitization. According to the report, “Digitization requires an effective implementation of cyber-security measures across the whole enterprise: prioritize protection, integrate into processes, engage management and employees, and safeguard technology.”

Though Kaas said the transition to Industry 4.0 has already started, he claims the revolution won't go into full swing overnight due to the longer innovation cycles in industrial contexts.

Kaas added, "But we are already seeing examples of companies that are successfully piloting individual Industry 4.0 technologies such as 3D-printing or digital enabled manufacturing control, in some cases extended to their supply base."

Reference Architecture Model of Industrie 4.0

Platform Industrie 4.0 Propose Reference Architecture Model of Industrie 4.0

Platform Industrie 4.0 Proposes Reference Architecture Model for Industrie 4.0: OPC-UA confirmed as one and only Standard in Category “Communication layer”

Scottsdale, AZ – April 14, 2015 – The Platform Industrie 4.0 (I4.0) announced at Hannover Messe 2015 a reference architecture model for Industrie 4.0 (RAMI 4.0). RAMI 4.0 is a unified architecture model that serves the purpose of a common understanding, which standards, use-cases, standards etc. for I4.0 are necessary, and allows discussing associations and details. In RAMI 4.0 I4.0 components are defined in their structure and functioning. Thus it enables cross-company networking and integration across value added networks. Where meaningful, RAMI 4.0 builds on existing and relevant standards.
The Platform Industrie 4.0 trade organizations BITKOM (IT), VDMA (Mechanical Engineering) and ZVEI (Electronics) together collected and analyzed necessary or relevant standards for RAMI 4.0 in technically oriented working groups. In the category “Communication Layer” the OPC UA (IEC 62541) standard was thoroughly examined if adequate for RAMI 4.0 and as one and only confirmed. In other categories this was the case for: “Information Layer” IEC Common Data Dictionary (IEC 61360Series/ISO13584-42), Characteristics, Classification and Tools according to eCl@ss, Electronic Device Description (EDD) and Field Device Tool (FDT); for “Functional and Information Layer” Field Device Integration (FDI) as integration technology; and for the category “Consistent Engineering” AutomationML, ProSTEP iViP and eCl@ss.
“Companies like ThyssenKrupp are implementing Industrie 4.0 today. The availability of established communication protocols is mission critical for such a timely implementation; OPC-UA is here the best example!”, said Dr Achatz head of technology at ThyssenKrupp AG.
“We are proud the Platform Industrie 4.0 thoroughly analyzed OPC UA in the category “Communication Layer” and confirmed its relevance as the only standard for the reference architecture model for Industrie 4.0″ said Thomas J. Burke, President and Executive Director of the OPC Foundation. “This shows that the OPC Foundation is on the right track with our approach of secure, safe, manufacturer- and platform-independent communication for heterogeneous systems by means of OPC UA to become a global data exchange standard for Industrie 4.0 and the Internet of Things.”
“In RAMI 4.0 diverse aspects of a common model were brought together. Starting from vertical integration via consistency of engineering across the entire lifecycle to horizontal integration. For each of these areas OPC UA offers an essential contribution”, according to Stefan Hoppe, VP OPC Foundation. “In addition the powerful OPC UA modelling tool will play an important role for the area of semantics where machines, components and products need to be interpreted and understood by humans, software /-agents and -services. The OPC UA modelling capability has been a major reason for FDI and AutomationML as independent standards to choose to have their contents (the “what”) communicated on the basis of OPC UA (the “how”)”.
About The OPC Foundation

Since 1996, the OPC Foundation has facilitated the development and adoption of the OPC information exchange standards. As both advocate and custodian of these specifications, the Foundation’s mission is to help industry vendors, end-users, and software developers maintain interoperability in their manufacturing and automation assets. The OPC Foundation is dedicated to providing the best specifications, technology, process and certification to achieve multivendor, multiplatform, secure, reliable interoperability in industrial automation and related domains. The organization serves over 440 members worldwide in the Industrial Automation, IT, IoT, Building Automation, Oil & Gas and Smart Energy sectors. For more information about the OPC Foundation, please visit https://opcfoundation.org.

For more information, contact:
Thomas J. Burke, President
OPC Foundation

Predictive Maintenance 4.0

Dit artikel is verschenen in PT Industrieel Management en werd geschreven door  Evi Husson. 

Contacteer de 3IF.be proeftuin voor een setup van een Industrie 4.0 Predictice Maintenance Case. 

Download het volledige PwC rapport van Juni 2017.


Van brandjes blussen naar voorspellend onderhoud


Waar staan bedrijven momenteel op het gebied van voorspellend onderhoud en waar denken ze in de nabije toekomst te staan? Hoe kom je stapsgewijs tot voorspellend onderhoud? Marktonderzoekers PwC en Mainnovation deden afgelopen jaar onderzoek onder 280 bedrijven uit België, Nederland en Duitsland. De resultaten zijn in het rapport Predictive Maintenance 4.0, Predict the unpredictable gepubliceerd.

Van brandjes blussen naar voorspellend onderhoud

Tekst Evi Husson

Met Predictive Maintenance oftewel voorspellend onderhoud wordt bedoeld dat men op het juiste moment onderhoud uitvoert. ‘Bij correctief onderhoud, het achteraf herstellen van defecten of verhelpen storingen, ben je te laat. Bij preventief onderhoud, plan je vooraf onderhoud in om storingen te voorkomen en gebeurt je onderhoud meestal vóór de storing. In beide situaties verlies je tijd en geld. De volgende stap is te voorspellen wanneer de ideale situatie is om onderhoud uit te voeren, in functie van het effectieve gebruik en de status van de machine. Dat betekent dat in sommige gevallen minder frequent en in andere gevallen frequenter onderhoud zal plaatshebben, met als doel de uptime zoveel mogelijk te garanderen’, geeft Matthias Reyntjens aan. Reyntjens is partner bij PwC. Volgens het rapport Predictive Maintenance 4.0, Predict the unpredictable is voorspellend onderhoud niet nieuw. Ook in het verleden werd regelmatig op basis van visuele of instrumentele inspecties bepaald of onderhoud nodig is of niet. De laatste jaren is echter door een groei aan beschikbare data deze vorm van onderhoud op een hoger niveau gekomen. Dankzij verbeterde sensortechnologie, het gebruik van slimme algoritmes en machine learning of zelflerende systemen kan veel exacter worden voorspeld wanneer onderhoud nodig is. Mits alle beschikbare data op de juiste manier worden ingevoerd. ‘We zien dat door een andere aanpak van onderhoud ook de business en servicemodellen veranderen’,  zegt Reyntjens. ‘Vroeger verkocht je een machine die je bij de klant plaatste en kwam je op bepaalde tijdstippen of bij het optreden van problemen langs om inspecties te doen of onderhoud uit te voeren. Dankzij het monitoren op afstand is het mogelijk om het meest ideale moment te bepalen om werkzaamheden uit te voeren. Je ziet dus ook dat bedrijfsmodellen bij zowel machinebouwers als onderhoudsbedrijven geleidelijk aan veranderen.’

Vier niveaus van volwassenheid

Nog niet elk bedrijf is zover. PwC en Mainnovation onderscheiden in hun rapport vier niveaus van volwassenheid waar bedrijven zich bevinden, met betrekking tot voorspellend onderhoud. Bedrijven die zich in niveau één bevinden, doen voornamelijk periodieke fysieke inspecties. De conclusies zijn daarbij gebaseerd op de expertise van diegene die inspecteert. In niveau twee doen bedrijven periodieke inspecties, waarbij conclusies worden getrokken uit een combinatie van het uitlezen van instrumentatie en de expertise van diegene die inspecteert. In niveau drie staat realtime conditiemonitoring centraal. De assetsworden continu realtime gemonitord waarbij waarschuwingen worden afgegeven bij vooraf bepaalde kritieke niveaus. Het laatste niveau is Predictive Maintenance 4.0 oftewel PdM 4.0: De assets worden op dit niveau continu realtime gemonitord, waarbij waarschuwingen worden gegeven die zijn gebaseerd op machine learning technieken. Reyntjens: ‘Naarmate bedrijven op een hoger niveau komen, is er een toename te zien van de hoeveelheid data die ze gebruiken om fouten te voorspellen. Niveau vier gaat om het toepassen van de kracht van machine learning technieken om duidelijke patronen in grote hoeveelheden data te identificeren en nieuwe, praktische inzichten te genereren om de betrouwbaarheid van assets te verbeteren.’

Merendeel op niveau 2

Uit het onderzoek blijkt dat tweederde van de respondenten nog steeds op volwassenheidsniveau een of twee zit. Slechts elf procent heeft niveau vier al bereikt. De data die de respondenten gebruiken om aan voorspellend onderhoud doen, komen van de onderhoudshistorie (73%), het gebruik van de assets (72%) en de conditie van de assets (71%) en worden in de meeste gevallen (67% ) verzameld en verwerkt met MS Excel en MS Access. In 79 procent van de gevallen is de technicus betrokken bij het onderhoud en slechts in 8 procent van de gevallen is een data-analist of specialist betrokken. Deze cijfers wijzen op niveau twee van volwassenheid. Ingrediënten voor niveau vier zijn environmental datastatistical software en data scientist,  aldus het rapport.

Waarom is voorspellend onderhoud zo belangrijk?

De wil om een niveau hoger te komen, is er zeker. De respondenten zijn erg ambitieus om hun niveau in voorspellend onderhoud te verbeteren. Ongeveer één op de drie bedrijven verwacht binnen een periode van vijf jaar voorspellend onderhoud in een of andere vorm te gebruiken, op voorwaarde dat ze het succesvol kunnen implementeren. Het verbeteren van de uptime is voor de deelnemers aan het onderzoek één van de belangrijkste redenen (47%), gevolgd door kostenreductie (17%) en levensduurverlenging van de assets (16%). Andere beweegredenen die in mindere mate een rol spelen zijn een verlaging van HSE-risico’s, een hogere klanttevredenheid, een nieuw productontwerp en nieuwe inkomsten, komt naar voren in het onderzoek.

Wat is nodig voor een succesvolle implementatie ?

Om het hoogste niveau van onderhoud te realiseren, zijn er twee aspecten van groot belang: de technologie en de organisatie. ‘De funderingen moeten goed zijn’, zegt Reyntjens. ‘Binnen het bedrijf moeten machines geschikt zijn voor Internet of Things en er moet een organisatie aanwezig zijn die continu met maintenance bezig is. Dit lijkt logisch, maar nog niet ieder bedrijf heeft deze structuur. Daarnaast moet het bedrijf beseffen dat het implementeren van PdM 4.0 een impact heeft op het hele bedrijf. Daarom is het van belang om klein en stapsgewijs te beginnen.’ PwC en Mainnovation hebben een plan met zeven stappen opgesteld om PdM 4.0 te implementeren.

Stap 1: Het rangschikken van de assets en een haalbaarheidsstudie

De belangrijkste stap om mee te beginnen, is het bepalen van de assets waarvoor het de moeite waard is én haalbaar is om predictief onderhoud op toe te passen om de betrouwbaarheid van de assets te vergroten. Alleen belangrijke en cruciale assets – waarvan data is te verkrijgen – zijn in principe geschikt om deze vorm van onderhoud op toe te passen en de nodige investeringen te kunnen verantwoorden. Deze selectie draagt bij aan het bouwen van een eerste positieve business case die deel zou moeten uitmaken van de haalbaarheidsstudie.  ‘Erg belangrijk is dat je eerste project meteen een succes wordt om iedereen te motiveren en dat er een enorme leercurve in zit. Eventueel kan nog een tweede pilot worden opgesteld voor het verder wordt uitgerold. Wel moet uiteraard aan het einde van de rit, wanneer het volledige business plan is uitgerold, een positieve balans worden opgemaakt’, zegt Reyntjes. ‘Je moet eerst bepalen wat wilt je gaan doen. Wat is de pilot die je gaat opzetten om een aantal dingen te leren? Welke data zijn er en hoe kunnen we die verwerken? Waar zit onze kracht en hoe kunnen we meteen een succes boeken? Het gaat tenslotte om het begin van een groot verandertraject. In de pilot-fase is het terugverdienen van de gemaakte investering niet het allerbelangrijkste.’

Stap 2: Houd het beheersbaar

Bij de selectie is het van belang om het project goed te kunnen blijven overzien. Probeer niet alle machines of de volledige fabriek meteen aan te pakken, luidt het advies van PwC en Mainnovation: Selecteer de machines die kunnen worden aangepakt in een pilotproject en zie het als een leerproces waaruit de noodzakelijke lessen moeten worden getrokken voor een verdere uitrol per type assets of machines. Reyntjens: ‘Big data is over het algemeen erg ongestructureerd. Er kan data komen van meerdere machines binnen het bedrijf. Er kunnen op weinig of veel plekken metingen worden uitgevoerd en mogelijk kunnen ook gegevens van buiten het bedrijf worden gebruikt. Hoe meer gegevens beschikbaar zijn, hoe exacter het beeld van de status van machines, hoe groter het leereffect en hoe sneller kennis kan worden opgebouwd. Echter, niet alle meetpunten zijn cruciaal om de doelen die je voor ogen hebt te bereiken. Ook zijn niet alle machines voorbereid of geschikt om data te verzamelen. En wanneer data van machines buiten het bedrijf worden gebruikt, speelt ook het veiligheidsaspect een rol. Om het overzicht te bewaren is het belangrijk om, zeker in het begin, data van cruciale meetpunten te gebruiken en het niet al te complex te maken om het overzicht te bewaren.’

Stap 3: Betrouwbaarheid

Een derde stap is het controleren van de betrouwbaarheid. Het rapport: Gebruik een Root Cause Analysis (RCA) en een Failure Mode Effects Analysis (FMEA) per asset om de juiste richting te bepalen. Welke data heb je nodig om oorzaken en storingen te monitoren? Welke data uit sensoren en welke externe data zijn nodig? Hoe zijn de verschillende oorzaken en gevolgen met elkaar verbonden?

Stap 4: Ontwerp van een algoritme

Stap vier is de kunst van data-analyse. Het kiezen van een algoritme is volgens het rapport de belangrijkste factor bij het bepalen van de kwaliteit van de voorspellingen. Het kan relatief eenvoudig zijn om het beste algoritme te ontwerpen als je al een geschikt model voor betrouwbaarheid van de assets hebt gemaakt in de vorige stap. Het is ook mogelijk vereist om een aantal  data-analisten in te schakelen om een zelflerend algoritme te bouwen dat in staat is om betekenisvolle inzichten uit de verzameling van data te halen. Reyntjens hierover: ‘Stap vier is een lastige stap. Betrouwbare data verzamelen en meten is belangrijk, maar hoe bepaal je welke algoritmes moeten worden gebruikt? Hoe zet je kunstmatige intelligentie of zelflerende machines in? Op welke manier kunnen leereffecten worden doorgevoerd? In de pilot zal het niet heel eenvoudig zijn om te bepalen wanneer en hoe je de beschikbare tools maximaal kunt benutten. Het is daarom aan te bevelen om een data-analist onder de arm te nemen en cross-functioneel te gaan werken. Experts op het gebied van onderhoud en reliability engineers moeten samenwerken met data-analisten en managers die een goed overzicht hebben van de processen in het algemeen. Inzichten van ingenieurs over hoe en waarom machines falen zouden moeten worden vergeleken en afgestemd met inzichten die data-analisten uit de data halen. Een cross-functionele interactie is de sleutel tot het succesvol toepassen van data-analyse in onderhoud en asset management.’

Stap 5: Real-time monitoren van prestaties

Dit is het moment dat het model live gaat. Het algoritme verwerkt gegevens uit verschillende bronnen zoals sensoren uit machines, de onderhouds- en faalhistorie van de machines en/of externe data, zodat kan worden waargenomen en gevisualiseerd wat de prestaties zijn in real-time.

Stap 6: Voorspelling van storingen (vroegtijdige waarschuwing)

Het algoritme zal beginnen met het voorspellen van toekomstige storingen. Hiernaar handelen – door het daadwerkelijk stilzetten van een ogenschijnlijk perfect draaiende machine – vraagt zeker in de beginfase om een grote stap in vertrouwen in de data, zeker wanneer je als management of onderhoudsteam weinig ervaring of affiniteit hebt met data-analyse. Is er weinig vertrouwen, zo geeft het rapport aan, dan zou je PdM 4.0 parallel kunnen laten lopen met bestaande onderhoudsprocedures op een andere machine van hetzelfde type waarop geen onderhoud wordt gepleegd, gebaseerd op voorspellingen. Dit kan bijdragen aan het verder opbouwen van vertrouwen in voorspellingen.

Stap 7: Voorschrijvende taken

Op het hoogste niveau van voorspellend onderhoud, voorspelt het algoritme niet alleen wanneer een storing wellicht zal optreden, maar het stelt ook een verzameling van standaard onderhoudstaken samen die voorschrijven wat de beste te nemen acties of werkzaamheden zijn om dergelijke storingen te voorkomen. ‘Stap voor stap wordt PdM 4.0 geïmplementeerd en zal het systeem aangeven wanneer welke onderhoudstaken moeten worden uitgevoerd. Het kan daarbij ook voorkomen dat de suggesties voor het onderhoudsteam niet altijd de meest logische tijdstippen of werkzaamheden lijken. Daarom is het van belang het gehele proces vanaf het begin goed te documenteren om de redeneringen te kunnen blijven volgen. Voorspellend onderhoud waarbij gebruik wordt gemaakt van kunstmatige intelligentie mag geen black box worden.  Op het moment dat er zich een probleem of vreemde situatie voordoet, moet je kunnen teruggrijpen naar een vorige situatie en moet je kunnen nagaan welke stappen er zijn gebeurd die leiden tot de nieuwe situatie. Tot op een bepaalde manier op de hoogte blijven van het model en de werkwijze en daarnaast voldoende vertrouwen hebben in de algoritmes zijn belangrijke voorwaarden voor succes.’


Naast de technische implementatie is ook een organisatorische ondersteuning erg belangrijk. Sterke projectmanagement vaardigheden zijn nodig om zowel op korte als op de langere termijn de vruchten te kunnen plukken. ‘Bedrijven moeten een structuur ontwikkelen die voldoende ondersteuning biedt om het te doen slagen’, zegt Reyntjens.‘PdM 4.0 kan niet in volledig isolement worden geïmplementeerd,  maar moet zijn ingebed in een algemene digitale strategie die volledig wordt gedragen en ondersteund door het topmanagement. Niet alleen omdat het een behoorlijke investering vergt. In het begin zijn er mogelijk nog geen harde data die een positieve business case bewijzen. Maar om dingen aan het rollen te krijgen is een sterke visie van het topmanagement die de kracht van nieuwe digitale technieken begrijpt, onontbeerlijk.’ Dit is mogelijk met een robuuste digitale cultuur. Reyntjens: ‘Dit betekent het creëren van een cultuur die toelaat om te experimenteren met nieuwe technieken en werkmethoden, een cultuur die cross-functioneel werken stimuleert waarbij men zich comfortabel voelt bij het nemen van data-gedreven beslissingen, zelfs als dit onnatuurlijk aanvoelt of niet strookt met werkmethodes uit het verleden. Zo’n digitale cultuur kan alleen ontstaan als er vanuit de top volledige toewijding of ondersteuning is.’


Om Predictive Maintenance 4.0 (PdM 4.0) te kunnen implementeren, zijn een aantal randvoorwaarden van belang. Zo moet er een big data infrastructuur aanwezig zijn die elke opeenvolgende stap ondersteunt. Bedrijven moeten overwegen welke data zij willen verzamelen van zowel externe als interne bronnen en op welke manier ze deze data willen verzamelen (bijvoorbeeld via de cloud of intern). Toegang tot de data is belangrijk en kan implicaties hebben op de snelheid, betrouwbaarheid en bandbreedte van het communicatienetwerk.

Daarnaast is ook een Internet of Things infrastructuur vereist, wat betekent dat de assetsen het (onderhouds) data center draadloos met elkaar moeten zijn verbonden. Het maakt het verzamelen en distribueren van sensordata mogelijk. De juiste IoT-infrastructuur voor het bedrijf opzetten, impliceert het kiezen voor een geschikt protocol, draadloze verbindingen, data-encryptie en een bepaald veiligheidsniveau. Ook de keuze van het data-analyseplatform is een belangrijke beslissing voor het bedrijf, om te komen tot een geïntegreerde oplossing. Niet alle bestaande ERP-systemen zijn bijvoorbeeld geschikt om geavanceerde datatrends, analyses en algoritmes uit te voeren.

Een derde randvoorwaarde is het installeren van feedback loops. Dit is niet alleen een technische aangelegenheid. Het is een essentiële stap om het model op één lijn te houden met de business doelen. Het algoritme dat aan de basis ligt van PdM 4.0 kan zelflerend zijn, wat betekent dat zijn voorspellend vermogen geleidelijk aan zal toenemen, wanneer meer data worden gebruikt. Echter, als het model is geoptimaliseerd, moeten ook lessen worden getrokken over de algemene aanpak. Het algoritme kan mogelijk nieuwe storingen aan het licht brengen of nieuwe inzichten verschaffen in de betrouwbaarheid van de assets. Misschien is het nodig om de business case voor een bepaald type assets opnieuw te evalueren. Het kan duurder zijn of minder rendement opleveren dan aanvankelijk gedacht. Of het belang van de asset kan in de loop van de tijd veranderen waardoor een nieuwe haalbaarheidsstudie noodzakelijk is.

Bron: rapport Predictive Maintenance 4.0, Predict the unpredictable

FIWARE maybe unknown, but to be considered for Digital Transformation


FIWARE maybe unknown, but to be be considered for Digital Transformations

Industrial IoT (IIoT) 125+ Startups die de fabrieken transformeren. om te volgen - CBInsights


CBInsights volgt verschillende markten en technologieën vanuit een investeerdersperspectief. Een uniek perspectief van verschillende ontwikkelingen op wereldschaal van technologie-startups en bedrijven om te volgen. 
Deze bedrijven vormen de basis voor het transformeren van : productiebedrijven, olievelden en aanvoer. 

 Source : CBInsights IIoT Startups, May 5th 2017

So far, the IIoT wave transforming asset-heavy industries has been led by the old guard of tech giants such as GE, IBM, and Cisco..

With connected devices like Nest and Sonos breaking into the mainstream, the IoT has become one of the most-discussed tech trends of the last twenty years. But the IoT extends well beyond the home and consumer-level gadgets. Asset-heavy industries like manufacturing, logistics, mining, oil, utilities and agriculture have also begun to apply IoT systems to improve efficiency and results. With machines and specialized sensors collecting data at every step of production, the potential gains from the Industrial Internet of Things (IIoT) are enormous. Just in 2016 alone, startups bringing digitization to industry saw more than $2.2B of investment.

Large corporates have also been involved in M&A in the space. Recently, General Electric, for example, acquired IoT platforms Bit Stew Systems and Nurego, in addition to two large 3D printing acquisitions this past fall.

So far, the IIoT wave has been led by the old guard of industrial tech companies such as GE, IBM, and Cisco, who envision the IIoT as a core component of their future businesses. GE, in particular, pioneered the term “Industrial Internet” when announcing its $1.5B R&D commitment back in 2012.

But more and more startups are attacking the needs of heavy industry by developing sensors, cloud platforms, networking infrastructure, as well as machine learning software to extract insights from the deluge of data. Using CB Insights data, we mapped out the startup landscape within IIoT, with a new approach that categorizes companies by where they sit in the tech “stack,” starting from hardware all the way down to AI-powered analytics.

Note: While some companies may fit into multiple categories and parts of the stack, we mapped companies based on their primary use-case. This market map is not meant to be exhaustive of companies in the space. 

MapFinal 2

The category breakdown is as follows:

  • Sensors & Connectivity

    • Connectivity — wireless network providers like SigFox and Ingenu act as the telecoms for the IoT age. Most companies here provide LPWAN (low-power wide area network) connectivity, which is popular radio band for IoT devices because existing cellular systems aren’t power- and bandwidth-efficient enough for systems sending small packets of data. Some, like Senet use the LoRaWAN spectrum, and others like SigFox work with ultra-narrowband specifically for low-power devices. 

    • Sensors & Monitoring — some companies in this area are solely sensor or system on chip (SoC) makers like Ineda Systems, but the category also includes more “full stack” (but industry agnostic) sensor and monitoring platforms like SamsaraHelium, and Electric Imp.

    • M2M / Satellite — sometimes Industrial IoT assets operate in rural and less connected parts of the world. Satellites can be a more effective way for sensors to transmit data, and companies like Kepler Communications offer a space-based communication network. With similar advantages in isolated industrial environments, machine-to-machine (M2M) communication is a more decentralized way to pass information between devices, and companies like Filament are applying blockchain architecture to do so with low-power industrial sensors.

  • Edge Devices & Connected Objects

    • Inspection Drones — startups offering drone hardware or image analysis services for industrial inspection. Some startups like Skycatch have individual use cases, such as construction. Recently, drone makers famous for their consumer drones like 3D Robotics have moved into the inspection space. While it’s mostly aerial drones for now, the category encompasses all types including underwater drones and pipe inspecting drones such as those made by RedZone Robotics.

    • 3D Printing — leveraging materials science and robotics, companies like Desktop Metal and Carbon 3D are bringing the customization benefits of 3D printing to an industrial scale. 3D printing tech is starting to go beyond just prototyping tools to being production-scale for making parts, which is why corporate venture arms of GE and BMW are investing here.

    • Industrial AR/VR — headsets and mobile AR specifically tailored for industrial settings and field service. Daqri and Atheer are well-funded headset makers that focus on enterprise and industrial settings. Others like Scope AR do similar work in field service using mobile and tablets, employing AR to highlight parts on industrial equipment while connected to support experts in real-time.
    • Wearables — IoT sensors worn on the body in industrial environments. Strong Arm Technologies makes a safety wearable and some industrial smartglass makers like Ubimax and Upskill also have wearables offerings.
    • Robotics & Exo — industrial automation robots along with exoskeletons that augment human abilities. Companies like Rethink and Righthand Robotics both make the classic arm-shaped industrial robots for manufacturing. Clearpath Robotics does warehouse robotics, as well as a host of ruggedized ground and sea-faring drones. And companies like Kindred and Sarcos are developing worker exoskeletons that can help handle heavy materials or be remotely operated for inspections.
  • Universal Platforms & Edge Intelligence
    • Universal Platforms — cloud vendors here commonly market themselves as general platform-as-a-service (PaaS) companies that allow other IoT and IIoT companies to manage and maintain the capture of data from their device networks. This includes the mostly industry-agnostic platforms like C3 IoT and Altizon that do cloud analytics for industrial companies.

    • Fog & Edge Computing — computing done at the “edge” or closer to the sensor is a trending shift occurring within the IIoT architecture. Companies like Saguna Networks do edge computing (close to the point of collection), whereas a company like Foghorn Systems does fog computing (think a lower-hanging cloud that’s done on-site like a LAN). Both methods allow mission-critical devices to operate safely without latency of transmitting all data to a cloud, which can also save big on bandwidth.

  • Applied Sensor Networks
    • Fleet — sensor networks and solutions for connected trucking fleets. Companies like Veniam are focused on the connectivity aspect, where others like Vnomics sell optimization and vehicle monitoring technology.
    • Oil & Gas —  companies using connected sensor networks in the oil industry include GroundMetrics (locating wells), Tachyus (extracting oil and gas), and Aptomar (spill safety).
    • Agriculture — companies like Blue River Technology and Farmbot are bringing robotics to agriculture. Others like Farmers Edge and Terravion are about capturing and analyzing farm data and tractor telematics for more efficient production.
    • Smart Grid – startups in this area develop tech that enables more efficient distribution of electricity, gas and water, and often market to utility companies. TrilliantTendril, and BluePillar are smart-meter enabled solutions for utilities and large enterprises to manage usage and reporting.
    • Factory — Eigen Innovations and the companies in this category are more vertical-specific platforms for manufacturing analytics. Eigen, for example, uses video and sensor data on factory floors to ensure process and quality control.
    • Warehouse — robotic movers and RFID sensor systems that target the warehouse. Fetch Robotics, for example, does material transport on warehouse floors. Alien Technologies, one of the most well-funded startups in all of IoT, does RFID tagging tech for the supply chain.
  • Advanced Analytics, Edge Intelligence & Protection
    • AI, ML, Predictive Analytics — software that allows companies to find insights and derive predictive analytics such as when machines will need maintenance. Most companies in the category are like Maana and work by applying AI to mining machine data, but others, like Augury Systems, offer a full sensor suite that detects machine anomalies and offers predictive analytics.
    • Cybersecurity — companies in this category develop cybersecurity solutions for IIoT and industrial control systems (ICS) in heavy industry. The IIoT has already suffered serious hacks; a German steel mill suffered “massive damages” after hackers accessed a blast furnace that workers could not properly shut down. Bastille Networks is one company that focuses on protecting the wireless transmission of IoT and RFID devices, and Claroty is a well-funded company working on protecting industrial control systems.

Industrial IoT Market Map
Company Select Investors Category
Carbon3D  Sequoia Capital, BMW Group, GE Ventures, Google Ventures 3D Printing
Desktop Metal  BMW i Ventures, GE Ventures, Google Ventures 3D Printing
Norsk Titanium  Applied Ventures, Piper Jaffray 3D Printing
Digital Alloys  Khosla Ventures 3D Printing
XJet  Autodesk Forge Fund 3D Printing
Xometry GE Ventures, Highland Capital Partners 3D Printing
Blue River Technology Data Collective, Khosla Ventures, Monsanto Growth Ventures, Syngenta Ventures Agriculture
Farmers Edge  Kleiner Perkins Caufield & Byers, Mitsui & Co. Agriculture
Arable  SparkLabs Agriculture
FarmBot  SYD Ventures, Muru-D Agriculture
Maana Frost Data Capital, GE Ventures, Intel Capital AI, ML, Predictive Analytics
Uptake Caterpillar, GreatPoint Ventures, Lightbank, New Enterprise Associates AI, ML, Predictive Analytics
Sight Machine O’Reilly AlphaTech Ventures, IA Ventures AI, ML, Predictive Analytics
Falkonry SparkLabs AI, ML, Predictive Analytics
Alluvium Bloomberg Beta, Lux Capital, IA Ventures AI, ML, Predictive Analytics
Presenso Microsoft Accelerator AI, ML, Predictive Analytics
Augury Systems First Round Capital, Lerer Hippeau Ventures AI, ML, Predictive Analytics
SigFox Samsung Ventures Connectivity
Ingenu GE Ventures, Energy Technology Ventures Connectivity
Actility  Foxconn Technology Company, BPI France, Truffle Capital Connectivity
Senet City Light Capital, Harbor Light Capital Partners, Milestone Venture Partners Connectivity
Cubic Telecom Global Roaming, Qualcomm Ventures, Enterprise Ireland Connectivity
Emnify Lars Singbartl Connectivity
Tempered Networks IDG Ventures USA, Ignition Partners Connectivity
Mocana Shasta Ventures, Southern Cross Venture Partners, Trident Capital, Symantec Cybersecurity
Bastille Bessemer Venture Partners, Chris Rouland, Tom Noonan Cybersecurity
LaunchKey VegasTech Fund, RimRock Venture Partners Cybersecurity
Claroty Innovation Endeavors, Bessemer Venture Partners Cybersecurity
Indegy Magma Venture Partners, Shlomo Kramer Cybersecurity
CyberX Swarth Group, ff Venture Capital Cybersecurity
Argus Cyber Security Magma Venture Partners, Vertex Venture Capital Cybersecurity
PatternEx Khosla Ventures Cybersecurity
Nozomi Networks Lux Capital, GGV Capital Cybersecurity
NexDefense Mosley Ventures, BIP Capital Cybersecurity
ForeScout Accel Partners, Pitango Venture Capital, Meritech Capital Partners Cybersecurity
Eigen Innovations BDC Venture Capital Factory
RtTech Software McRock Capital, New Brunswick Innovation Foundation Factory
Exosite Parker Hannifin Factory
Veniam Cane Investments, True Ventures, Union Square Ventures Fleet
Greenroad Balderton Capital, Virgin Green Fund, Amadeus Capital Partners Fleet
Cohda Wireless Cisco Investments and NXP Semiconductors Fleet
Vnomics Rochester Angels, Primary Venture Partners Fleet
KeepTruckin Google Ventures, Index Ventures Fleet
FogHorn Systems March Capital Partners, Robert Bosch Venture Capital, GE Ventures Fog & Edge Computing
VIMOC Technologies ET Capital Partners, Morado Venture Partners Fog & Edge Computing
Nebbiolo Technologies Undisclosed Investors Fog & Edge Computing
OSIsoft Technology Crossover Ventures, Kleiner Perkins Caufield & Byers Fog & Edge Computing
Xaptum Jai Shekhawat Fog & Edge Computing
MachineShop Xchanging, Diebold, CSR Fog & Edge Computing
Clearblade Corsa Ventures Fog & Edge Computing
Daqri Tarsadia Investments Industrial AR/VR
Fieldbit Actemium, Axians Industrial AR/VR
Scope AR IDrive Ventures, New Stack Ventures, Presence Capital, Susa Ventures, Y Combinator Industrial AR/VR
Upskill CNF Investments, GE Ventures, New Enterprise Associates, Salesforce Ventures, SineWave Ventures, Work-Bench Industrial AR/VR
Ubimax  Atlantic Bridge Capital Industrial AR/VR
Atheer Fang Group, FundersClub, Indiegogo, Lab IX, RONA Holdings, Shanda Group, Signatures Capital, Streamlined Ventures Industrial AR/VR
Skycatch ff Venture Capital, Avalon Ventures Inspection Drones
Cyphy General Catalyst, Felicis Ventures Inspection Drones
PrecisionHawk Intel Capital, Verizon Ventures Inspection Drones
Aeryon Labs Summit Partners Inspection Drones
Flyability Go Beyond Network Inspection Drones
Kespry Lightspeed Venture Partners, Rothenberg Ventures Inspection Drones
3D Robotics True Ventures, Mayfield Fund, Foundry Group, O’Reilly AlphaTech Ventures Inspection Drones
xCraft Mark Cuban Inspection Drones
Filament Bullpen Capital, Samsung Ventures M2M / Satellite
Fleet Space Technologies Horizon Partners, Blackbird Ventures M2M / Satellite
Kepler Communications Techstars, IA Ventures M2M / Satellite
Magnitude Space Undisclosed M2M / Satellite
Satixfy Catalyst Equity Management M2M / Satellite
Tachyus Founders Fund Oil & Gas
Aptomar Investinor, ProVenture Management, Statoil Technology Invest, Verdane Capital Oil & Gas
Groundmetrics Crescent Ridge Partners Ventures, Tech Coast Angels Oil & Gas
Oseberg Undisclosed Oil & Gas
Square Robots Kraken Sonar Oil & Gas
Sky-Futures  Bristow Group, Commercial Drone Fund Oil & Gas
Rethink Robotics Bezos Expeditions, CRV, Draper Fisher Jurvetson, GE Ventures, Goldman Sachs, Highland Capital Partners, Sigma Prime Ventures Robotics & Exo
Ready Robotics RRE Ventures, Eniac Ventures, Sagamore Ventures Robotics & Exo
CloudMinds SoftBank China, Foxconn Technology Company Robotics & Exo
GreyOrange Robotics Blume Ventures Robotics & Exo
Clearpath Robotics Caterpillar Ventures, GE Ventures, iNovia Capital, RRE Ventures Robotics & Exo
Kindred Systems Bloomberg Beta, Data Collective, Innovation Endeavors Robotics & Exo
Sarcos Schlumberger, Microsoft, GE Ventures, Caterpillar Ventures Robotics & Exo
SeeGrid Giant Eagle Robotics & Exo
Righthand Robotics Matrix Partners Robotics & Exo
Ineda Systems Qualcomm Ventures Sensors
DorsaVi Undisclosed Investors Sensors
Samsara Andreessen Horowitz Sensors
Mythic AME Cloud Ventures, Data Collective, Lux Capital Sensors & Monitoring
3DSignals Grove Ventures Sensors & Monitoring
Konux New Enterprise Associates Sensors & Monitoring
Electric Imp Lowercase Capital, Redpoint Ventures, Rampart Capital Sensors & Monitoring
R3 Communications Undisclosed Sensors & Monitoring
Particle HAX, SOS Ventures, O’Reilly AlphaTech Ventures Sensors & Monitoring
Smartron Intel India Maker Lab Sensors & Monitoring
Blue Pillar Allos Ventures, Arsenal Venture Partners, Claremont Creek Ventures Smart Grid
Trilliant Missionpoint Capital Partners, Zouk Capital, GE Healthcare Smart Grid
Enlighted Draper Fisher Jurvetson, Intel Capital, Kleiner Perkins Caufield & Byers Smart Grid
Tendril Networks Engie New Ventures, GE Healthcare, RRE Ventures, VantagePoint Capital Partners Smart Grid
Enbala EnerTech Capital, Export Development Canada, GE Ventures Smart Grid
AutoGrid Systems Foundation Capital, Voyager Capital, E.ON Smart Grid
Space-time Insight Opus Capital, EnerTech Capital Smart Grid
Trilliant MissionPoint Ventures, Zouk Capital Smart Grid
Tendril Networks VantagePoint Capital Partners, RRE Ventures, Bregal Energy Smart Grid
Blue Pillar Claremont Creek Partners, Allos Ventures, Arsenal Venture Partners Smart Grid
Enbala EnerTech Capital, Obvious Ventures, Chrysalix Global Network Smart Grid
Greenwave Systems Craton Equity Partners, Westly Group Universal Platforms
Arrayent DCM Ventures, Intel Capital Universal Platforms
C3 Energy InterWest Partners, Makena Capital Management Universal Platforms
Ayla Networks Cisco Investments Universal Platforms
Worldsensing Cisco Investments, Endeavor Global Universal Platforms
Cirro Frost Data Capital, Miramar Venture Partners Universal Platforms
Mnubo McRock Capital, White Star Capital Universal Platforms
Altizon Systems INFUSE Ventures, The Hive Universal Platforms
Azeti Networks Wim Elfrink Universal Platforms
Flutura Solutions The Hive, Vertex Ventures Universal Platforms
Relayr Kleiner Perkins Caufield & Byers Universal Platforms
Locus CapMan Warehouse
Fetch Robotics  O’Reilly AlphaTech Ventures, Shasta Ventures, Softbank Capital Warehouse
Simbe Robotics Cisco Investments Warehouse
Omni-ID GE Ventures, Trillium International Warehouse
Alien Technology New Enterprise Associates, Rho Ventures Warehouse
Fourkites SunBridge Partners, Advanced Equities Financial Warehouse
Rufus Armor Make In LA Wearables
Human Condition Safety American International Group Wearables
ProGlove Bayern Kapital, Intel Capital Wearables
Strong Arm Technologies


2016-10-11 Beveiliging is niet langer een IT cost center

Beveiliging is niet langer een IT cost center

door Tara Seals US/North America News Reporter, Infosecurity Magazine, Ulrich Seldeslachts,

Many organizations no longer view cybersecurity as a barrier to change, nor as an IT cost.

That’s the word from the Global State of Information Security Survey 2017 from PwC US, which found that there is a distinct shift in how organizations view cybersecurity, with forward-thinking organizations understanding that an investment in cybersecurity and privacy solutions can facilitate business growth and foster innovation.

According to the survey, 59% of respondents said they have increased cybersecurity spending as a result of digitization of their business ecosystem. In this process, organizations not only create products, but also deliver complementary software-based services for products that extend opportunities for customer engagement and growth.

“There is a distinct transformation in how business leaders are viewing cybersecurity and technology—no longer seeing technology as a threat and understanding that cybersecurity is a vital component that must be adopted into the business framework,” said David Burg, PwC’s US and Global Leader, Cybersecurity and Privacy. “To remain competitive, organizations today must make a budgetary commitment to the integration of cybersecurity with digitization from the outset.”

Survey results also found that as trust in cloud models deepens, organizations are running more sensitive business functions on the cloud. Today, the majority of organizations around the world—63% of survey respondents—say they run IT services in the cloud. Additionally, approximately one-third of organizations were found to entrust finance and operations to cloud providers, reflecting the growing trust in cloud models.

“The fusion of advanced technologies with cloud architectures can empower organizations to quickly identify and respond to threats, better understand customers and the business ecosystem, and ultimately reduce costs,” added Burg. “Cloud models have become more popular in recent years, and that trend will likely only continue as the benefits become increasingly clear.”

According to survey respondents, organizations are also embracing both managed security services and open-source software to enhance cybersecurity capabilities, signaling that businesses are making cybersecurity a priority despite many not having the necessary in-house capabilities and an overall lack in talent to fill key positions. More than half (53%) of respondents employ open-source software and 62% of respondents say they use managed security services for cybersecurity and privacy—relying on managed security services for highly technical initiatives such as authentication, data loss prevention and identity management.

"Designing and implementing a cybersecurity and privacy program is challenging enough, but once a program is in place components must be thoroughly integrated, professionally managed and continuously improved. As this can be difficult for resource-constrained organizations, many are adopting managed security services and utilizing open-source software,” said Bob Bragdon, SVP/publisher of CSO.



2016-01-01 IIoT in 2016 en de nabije toekomst

Industrial Internet of Things in 2016 en de nabije toekomst 


IIoT voorspellingen voor 2016 en verder
door Ulrich Seldeslachts,

Momenteel vinden verschillende ontwikkelingen in Industrial Internet of Things (IIoT) en Industrie 4.0 vinden plaats, waaruit we een aantal voorspellingen kunnen afleiden. Het is een interessante mix van strategie en technologie die duiden op het voor verschillende disruptieve transformaties bij manufacturen.

Onze voorspellingen:

  1. Digital Transformation , het samengebalde Industrie 4.0, Industrial IoT en Industrial Internet Digital Transformation lijkt momenteel de meest centrale benaming om aan te geven wat er gebeurt bij industriële bedrijven om IIoT, Industrie 4.0 of Industrial Internet technologie te duiden. Die drie benamingen op zich beperken immers het beeld grotendeels tot een stuk technologie, of industrie-gedreven ontwikkelingen soms vooral netwerk georiënteerd. Industrie 4.0 en Smart Manufacturing passen wat beter maar geven onvoldoende aan wat er verschillend is, en zijn te specifiek omdat ze gebaseerd zijn op overheidsprogramma’s die staan voor een specifieke reeks van definities en activiteiten. Digital Transformation sluit beter aan omdat het aangeeft dat manufacturen niet meer in staat zijn om hun bedrijven te laten lopen op basis van oude technologie, processen, en bedrijfsmodellen; dat dingen moeten veranderen zonder dat ze zelf weten waar ze moeten beginnen. De kracht van IIoT, Smart Manufacturing en I4.0 is fundamenteel over het toepassen van de mogelijke kracht van nieuwe technologie om positieve veranderingen mogelijk te maken, vandaar Digital Transformation. De enige beperking hierbij is het verlies van de term internet, die nochtans de basis is voor verschillende van de krachten waar de Digital Transformation voor staat, zoals ondermeer het gebruik van standaard technologie, de kracht van Cloud diensten en mobiliteit.
  2. Klantgerichtheid staat centraal.  Manufacturen proberen de loyaliteit van hun klanten te bekomen. Doordat het minder duur wordt om sensoren en microchips toe te voegen aan producten om hen slim en geconnecteerd te maken, kunnen fabrikanten van machinemateriaal meer te weten komen over hoe de eindgebruikers ze gebruiken met inbegrip van producten in de fabriek die commoditie zijn. Het helpt hen hun producten sneller te ontwikkelen, sneller mogelijke fouten te herstellen en producten nauwer te laten aansluiten bij de individuele behoeften van de kopers. Bedrijven zoals Tesla gebruiken sensoren om het verkeer te monitoren en om te evalueren hoe de motoren werken zodat diagnoses kunnen gesteld worden om mogelijke problemen te vermijden. IIoT stelt manufacturen in staat om met een first mover advantage zowel staat van dienst monitoring/beschikbaarheid en operationele data te bekomen om op die manier het ontwerp van het product te verbeteren.
  3. Platformen en standaarden.  Leveranciers van verschillende aard en soort, die samenwerken in verschillende organisaties proberen de kracht van platformen aan te tonen in 2016. Door de hoeveelheid van verschillende soft- en hardware platformen zullen verschillende productiebedrijven zich blijvend vragen stellen: software platformen, hardware, infrastructuur, connectiviteit, IoT, embedded computing, communicatie, analytics, ontwikkel-platformen, en nog vele andere variëteiten van platformen.  Vooraleer er duidelijkheid in komt zal dit eerst nog wat aanscherpen vanuit verschillende hoeken. Onderzoeken van verschillende marktanalisten of systeemintegratoren zijn beschikbaar om bij die keuze te kunnen helpen.
  4. Schakel externe expertise in om het productieproces te verbeteren.   Productiemanagers, eigenaars van fabrieken zullen kunnen vaststellen dat technologieleveranciers in toenemende mate beschikken over kennis en expertise van bepaalde onderdelen van de fabriek, die ze als dienst goedkoper en met een grotere efficiëntie kunnen leveren, dan dat ze dat met hun eigen middelen zouden kunnen doen. Oplossingenleveranciers zullen immers in toenemende mate gebruik maken van clouddiensten en voorspelbare gegevensanalyse gevoed door conventionele en onconventionele gegevens om processen en onderhoudskosten te optimaliseren. De kennis, het talent en mogelijkheden om controlepompen, wisselaars en ander fabrieksmateriaal te ondersteunen zal veranderen van eigen personeel of contractanten naar het inschakelen van dienstverlening op afstand. Zo’n wijziging zal ook de bezorgdheid van manufacturen over het verdwijnen van gekwalificeerde medewerkers sterk verminderen.

    thyssenkrupp elevator thyssenkrupp callcenter

    Voorbeeld van dienstverlening op afstand door Thyssen Krupp, in samenwerking met 
    Microsoft Azur het beheer en onderhoud van de liftinstallaties op afstand. (bron : 

  5. Referentie-architecturen. Standaarden en referentie-architecturen zijn in een omgeving waar nog veel onduidelijkheid bestaat veel gevraagd. Referentie-architecturen zullen worden gezocht in het komende jaar, en de convergentie tussen IT en OT versterken.
  6. Analytics everywhere.Data Science is alleen geen nieuw fenomeen meer. Analyses worden uitgevoerd doorheen de onderneming, zowel in productie en ontwikkeling, als op het niveau van de raad van bestuur en doorheen de uitgebreide leveranciersketen.  In vele gevallen worden het voorspelbare analyses of machines die kunnen leren. 2016 zal vooral een jaar worden waarin verschillende bedrijven zullen stellen dat ze gegevens verzameld hebben, zonder te weten wat te moeten doen ermee. Verwacht wordt dat veel bedrijven zullen vragen: “OK, we hebben gegevens verzameld, wat nu ...?”
  7. Supply Chain verbetering. Steeds meer IIoT toepassingen zullen bedrijven helpen met het beheren van hun end-to-end supply chain. Verbeterde opvolging en real-time meldingen, maar ook verbeteringen op basis van voorspellende gegevensanalyses.  IoT zou kunnen gebruikt worden om een meer geautomatiseerde bestelling te laten doorgaan, inclusief logistiek en handelspartners, op basis van scenarios met een voorspelbaar onderhoud, die onmiddellijk kan worden afgerekend.
  8. Ondanks verschillende technische ontwikkelingen blijft de beveiliging van de de toestellen en toepassingen een belangrijke uitdaging. Niet in het minste omdat een heleboel componenten geïntegreerd moeten worden, of toepassingen verbinding moeten zoeken buiten (het netwerk van) organisatie, buiten de traditionele perimeter. Anders zou het afbreuk kunnen doen aan de performantie of continuïteit van de uiteindelijke oplossingen.
  9. Meer bescherming voor toestellen aan de buitengrenzen.  Toestellen die zich bevinden aan, of net buiten de grenzen van het bedrijfsnetwerk en dus niet altijd onder de controle vallen van de bestaande structuren van de organisatie zijn dan ook een uitdaging. Het zijn toestellen die rechtstreeks met internet of buitennetwerken verbonden worden. Net zoals een traditionele modem en firewall, moeten ze zelf voldoende beschermd worden. Er wordt van verwacht dat ze een langere levensduur te hebben dan traditionele toestellen, bijvoorbeeld omdat ze minder vaak aangepast kunnen worden. Het is immers soms vrijwel onmogelijk om bestaande installaties te vervangen, te patchen of te updaten, zonder daarbij hoge kosten te verwachten. Om de toestellen te beveiligen, wordt bescherming en controle vanuit het netwerk waaraan ze gekoppeld zijn verwacht.  Sommige toestellen zullen zich op locaties bevinden die ook fysiek onvoldoende beveiligd kunnen worden. Vanaf 2016 zullen nieuwe netwerk technologieën zoals Software Defined Networking en Netwerk Functie Virtualisatie (NFV) commercieel beschikbaar worden bij een aantal operatoren. Die nieuwe diensten kunnen een betere bescherming van grenstoestellen inhouden.

    iot devices wzzard full group e1403626930100

    B+B Smartworx developed the Wzzard Intelligent Sensing Platform,

  10. Het maakt verschil! Een toenemend aantal controle ingenieurs zal uiteindelijk kunnen begrijpen waarom het potentieel van digitale transformaties op  basis IIoT/I4.0 verschilt van wat ze gedaan hebben met SCADA en automatisatie in de laatste 30 jaar. Meer integratie op bedrijfsniveau zal mogelijk worden door het toepassen van slimme toepassingen en nieuwe manieren van bedrijfsbeheer. De ingenieurs zullen de connectiviteit en controlemogelijkheden van IoT erkennen, maar toepassingen, schaalbaarheid, analytics en de mogelijkheid om bedrijfsprocessen opnieuw uit te vinden, zullen de een verandering in gedrag kunnen teweeg brengen en de digital transformatie mogelijk maken.



Dit artikel werd geschreven op basis van een eerdere analyse van Greg Gorbach (industrial-iot.com) (ARC) EN ANDERE BRONNEN.


Lees meer over digitale transformatie in de volgende publicaties op onze kennisbank : 

1.  pdf Challenges and solutions for the digital transformation and use of exponential technologies - Industry 4.0 (1.50 MB)

2.  pdf Digital Transformation of Industry - Roland Berger (4.49 MB)

3.  pdf IoT for the extended enterprise - Harnessing the power of - Bosche (1.79 MB)

4.  pdf Smart Manufacturing IoT AIOTIW G11 Report 2015 (1.74 MB)




2016-03-08 Impact van IoT in 2017 - 2018 op technologiebeslissingen

IoT ontwikkelingen 2017 - 2018 volgens Gartner


IoT voorspellingen 2017 -2018 volgens Gartner
door Ulrich Seldeslachts,

Technologie-analyst Gartner, bekend van de vendor-analyses in specifieke domeinen, publiceerde eind februari 2016 een overzicht van de top 10 uitdagingen voor IoT voor de komende 2 jaren. Die zijn niet alleen van toepassing bij bedrijven die momenteel aan het evalueren zijn wat de mogelijkheden voor IoT zijn, maar eveneens van toepassing voor Industrie 4.0 en Industrial Internet, die eveneens gebruik zullen maken van soortgelijke toestellen.

Volgens Gartners zullen : 

  1. low-power short-range networks (zoals Zigbee, Wifi, Bluetooth, ... ) wireless IoT connectiviteit domineren tot 2025,
  2. ze het aantal connecties die in een wide-area IoT netwerk voorzien (zoals Lora, GSM 4 - 5G), sterk overstijgen. Dat zal zeker ook het geval zijn voor productiebedrijven, maar de toepassingen zoals auto's die worden gemaakt door de manufacturen zullen wellicht beide moeten voorzien.
  3. hardware en software ontwikkelingen zullen van IoT security een snel evoluerend domein maken tot 2021. Het gebrek aan kennis en kunde vandaag, zal alleen maar toenemen en versnellen. Bedrijven kunnen beter vandaag beginnen investeren in het ontwikkelen van in-house expertse en aanwervingen beginnen. Verschillende security probelemen zijn het resultaat van een zwak ontwerp, slechte implementatie en een gebrek aan opleiding. 
  4. IoT analytics volledig nieuwe algoritmes, architecturen, data structuren en benaderingen voor machine leren, vereisen. Gedistribueerde analytics architecturen moeten gebaseerd worden op secure Internet of Things (IoT) netwerk architecturen
  5. IoT Device Management moeten context, locatie, and state-aware zijn. Dit zal wellicht break traditionele grenzen van data management doorbreken en data structuren creëren, in staat om te leren en flexible om andere data vereisten te kunnen beantwoorden
  6. IoT Processoren, low-end 8-bit microcontrollers IoT zullen domineren tot 2019, 32-bit microcontrollers vanaf 2020 zullen overnemen. Interessant is dat 16- bit processoren nooit echt zullen doorbreken in IoT toepassingen volgens Gartner, hoewel een heleboel toepassingen vandaag nog steeds hier op toegepast worden.
  7. IoT besturingssystemen, minimaal en met een kleine footprint moeten zijn om momentum in IoT naar 2020 te kunnen krijgen. Windows en iOS worden verwacht te complex te zijn, en te intensief in resources voor het merendeel van IoT toepassingen. Voor uitzondering- en event-gedreven taken kan dat inderdaad kloppen. Moeilijker wordt het wanneer er meer aan multithreading moet worden gedaan, of om specifieke eigenschappen zoals beveiliging en controlesystemen toe te staan.
  8. we meer en meer Event Stream Processing zien in IoT applicaties. Die zullen extremeem hoge data rates vereisen. Die moeten geanalyseerd worden in real time. Sommige systemen genereren tienduizenden events per seconde, sommige elektronische transacties soms miljoenen. Om daaraan tegemoet te komen moeten distributed stream computing platforms (DSCPs) verder worden ontwikkeld.
  9. IoT Platformen meer en meer infrastructuur componenten bundelen in één product. Diensten van zo'n platformen zouden moeten bestaan uit low-level device control, communicatie, device monitoring and management, beveiliging en firmware updates. Daarnaast moeten platformen ook IoT data acquisition, transformatie en management van gegevens; en IoT application development, mogelijk maken waaronder event-driven logica, toepassingen programmeren, visualisering, analytics en integratie-adapters voor enterprise systems (ERP en MES).
  10. IoT Standaarden en Ecosystems het licht zien, en application programming interfaces (APIs) voorzien om interoperabiliteit en communicatie te kunnen voorzien



Voor meer informatie : http://www.gartner.com/newsroom/id/3221818

Ben je Gartner klant- of partner, dan kan je het gedetailleerde rapport opvragen "Top 10 IoT Technologies for 2017 and 2018." This report is part of the Gartner Special Report "The Internet of Things", which looks at the necessary steps to building and rolling out an IoT strategy.

2015-10-28 Malware Duuzer richt zich naar Manufacturen

Malware Duuzer gericht op Manufacturing, voornamelijk Zuid Korea




Symantec vond een aggressieve cyber security bedreiging tegen productiebedrijven, genaamd Duuzer. 

De gesofistikeerde malware is specifiek gericht naar manufacturen, om hun systemen stil te leggen. Verwacht wordt dat via een email een virus wordt opgestart en verspreid, dat vervolgens een trojaans paard exploiteert in het bedrijfsnetwerk. Die neemt verbinding met de hackers zodat de machines die zich in het netwerk bevinden van binnenuit kunnen worden aangevallen. 

Symantec rapporteert dat er ook twee andere bedreigingen worden verspreid : W32.Brambul and Backdoor.Joanap,

"Once Duuzer infects a computer, it opens a back door, giving the attackers access to almost everything. The attackers can securely connect to the compromised computer through the threat and perform the following activities:

  • Gather system and drive information
  • Create, enumerate, and end processes
  • Access, modify, and delete files
  • Upload and download files
  • Change the time attributes of files
  • Execute commands

The Duuzer attackers have been observed trying to disguise their malware on an infected computer. They do this by identifying what software is installed and runs on startup, then renaming their malware to a similar title of an existing, legitimate program.

Er is nog geen rapportering dat deze malware ook Vlaamse, Belgische of Europese bedrijven zou bedreigen, maar die kans is gezien de sofistikatie van de malware zeer reëel. 

Symantec geeft in hetzelfde artikel ook advies, met welke technologie de aanval is ontdekt en hoe de omgeving kan worden beschermd tegen bijkomende aanvallen. 

Voor meer informatie over mogelijke cyber security bedreigingen voor digitale manufacturen, contacteert u cybersecurity at 3if.eu